Estimating the probability of sexual recidivism among men charged or convicted of sexual offences: Evidence-based guidance for applied evaluators
Notice bibliographique
Résumé
Risk assessment is routinely applied in forensic decision-making. Although relative risk information from risk scales is robust across diverse samples and settings, estimates of the absolute probability of sexual recidivism are not. Nonetheless, absolute recidivism estimates are still necessary in some evaluations. This paper summarizes research and offers guidance on evidence-based practices for assessing the probability of recidivism, organized largely around questions commonly asked in court. Overall, estimating the probability of sexual recidivism is difficult and should be undertaken with humility and circumspection. That being said, research favours empirical-actuarial risk tools for this task, more structured scales, and the use of multiple scales. Professional overrides of risk scale results should not be used under any circumstances. Paradoxically, however, professional judgement is still required in some circumstances. Risk scales do not consider all relevant risk factors, but the added value of external risk factors reaches a point of diminishing returns and may or may not be incremental (or worse, can degrade accuracy). There are reasons actuarial risk scales may both underestimate recidivism (e.g., undetected offending, short follow-ups) and overestimate recidivism (e.g., inclusion of sex offences not of interest in some referral questions, data on declining crime and recidivism rates, newer studies demonstrating overestimation of recidivism). Given all these considerations and the need for humility, in the absence of exceptional circumstances, I would not deviate too far from empirical estimates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».